CN107016384A - 可识别运动类型的计步方法、移动终端及存储介质 - Google Patents
可识别运动类型的计步方法、移动终端及存储介质 Download PDFInfo
- Publication number
- CN107016384A CN107016384A CN201710418047.3A CN201710418047A CN107016384A CN 107016384 A CN107016384 A CN 107016384A CN 201710418047 A CN201710418047 A CN 201710418047A CN 107016384 A CN107016384 A CN 107016384A
- Authority
- CN
- China
- Prior art keywords
- waveform
- sports
- type
- sample
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
Abstract
本发明公开了一种可识别运动类型的计步方法,该方法包括:采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的运动类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。本发明还公开了一种移动终端、存储介质。本发明解决了现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
Description
技术领域
本发明涉及移动终端技术领域,尤其涉及一种可识别运动类型的计步方法、移动终端及存储介质。
背景技术
随着生活水平的提高,人们对慢跑、走步和散步等运动越来越热衷,通过科学的运动不但可以预防疾病、改善生活状态,还可以将运动记录分享至亲朋好友,增加生活乐趣。
为了满足大众需求,目前市面上推出了许多智能计步终端,如手机、运动手环等。现有技术中,计算步数的方式一般可以分为两类,一类是峰值检测方式,该方法从传感器获取的正弦波形拐点判断步伐;另一类是动态阈值判断方式,该方法从传感器获取的正弦波形下降区判断步伐。
其中,上述计步方法只能记录总的运动步数,不能按照运动类型分别进行计步,例如无法单独统计用户跑步时的步数与正常步行时的步数等。
发明内容
本发明的主要目的在于提出一种可识别运动类型的计步方法、移动终端及存储介质,旨在解决现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
为实现上述目的,本发明提供一种可识别运动类型的计步方法,所述可识别运动类型的计步方法包括:
采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度;
对所述合成加速度进行低通滤波,并对低通滤波后的合成加速度进行平滑处理,以得到所述合成加速度对应的波形;
调用预置的动态波峰检测算法,检测所述波形是否属于运动波形;
当所述波形属于运动波形时,则调用预置的DTW(Dynamic Time Warping,动态时间归整)算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形,根据所述样本波形的类型确定所述人物的运动类型,以及根据所述波形的波峰数统计所述运动类型对应的步数。
可选的,所述采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度的步骤包括:
利用预置的三轴加速度传感器采集所述人物的加速度数据,对采集到的加速度数据进行平方和求根运算,计算出所述合成加速度。
可选的,对所述合成加速度进行低通滤波的步骤包括:
利用IIR(Infinite Impulse Response,无限脉冲响应)数字滤波器对所述合成加速度进行低通滤波,所述IIR数字滤波器属于椭圆低通滤波器。
可选的,所述调用预置的动态波峰检测算法,检测所述波形是否属于运动波形的步骤包括:
检测所述波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断所述波峰的幅值是否满足设定的第二约束条件;
当所述间隔时间满足所述第一约束条件,和/或所述幅值满足所述第二约束条件时,则确定所述波形属于运动波形。
可选的,所述判断相邻波峰之间的间隔时间是否满足设定的第一约束条件的步骤包括:
若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于预设的时间区间内,或者,计算之前检测到的若干个相邻波峰之间的平均间隔时间,若所述第一间隔时间与所述平均间隔时间的误差小于预设的第一阈值时,则确定所述相邻波峰之间的间隔时间满足设定的第一约束条件。
可选的,所述判断所述波峰的幅值是否满足设定的第二约束条件的步骤包括:
若当前检测到的波峰的第一幅值处于预设的幅值区间内,或者,计算之前检测到的若干个波峰的平均幅值,若所述第一幅值与所述平均幅值的误差小于预设的第二阈值时,则确定所述波峰的幅值满足设定的第二约束条件。
可选的,所述调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤包括:
在所述波形中选取多个第一匹配点,以及在所述样本波形中选取多个与所述第一匹配点相对应的第二匹配点;
分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出所述波形与所述样本波形的平均距离;
选择与所述波形的平均距离最小的样本波形作为与所述波形相似度最高的样本波形。
可选的,所述在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤之前还包括:
预先采集多种类型的样本波形,并将采集到的样本波形保存在所述样本数据库中,其中,所述样本波形的类型包括行走、跑步、爬楼梯、骑自行车中的至少两种。
此外,为实现上述目的,本发明还提供一种移动终端,所述移动终端包括:三轴加速度传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可识别运动类型的计步程序,所述可识别运动类型的计步程序被所述处理器执行时实现如上所述的可识别运动类型的计步方法对应的各个步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有可识别运动类型的计步程序,所述可识别运动类型的计步程序被处理器执行时实现如上所述的可识别运动类型的计步方法对应的各个步骤。
本发明所提供的可识别运动类型的计步方法、移动终端及存储介质,可实现:采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。本发明既可以识别出用户的运动类型,又可以按照运动类型分别进行计步,同时通过调用上述动态波峰检测算法,可使计步数据更加精确,解决了现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
附图说明
图1为本发明可识别运动类型的计步方法第一实施例的流程示意图;
图2为本发明可识别运动类型的计步方法中步骤S30的细化步骤流程示意图;
图3(a)为本发明中人物正常行走时采集到的加速度数据示意图;
图3(b)为本发明中刻意晃动移动终端时采集到的加速度数据示意图;
图4为本发明中采集到的角速度数据示意图;
图5为本发明中对合成角速度进行滑动窗口滤波的仿真示意图;
图6为本发明可识别运动类型的计步方法中步骤S40的细化步骤流程示意图;
图7为本发明中波形与样本波形之间的距离示意图;
图8为本发明移动终端涉及的软件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明以下实施例提供一种可识别运动类型的计步方法,该方法首先采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在预设的样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。该方法可应用于手机、智能手表、智能手环、智能鞋垫、智能跑鞋等具有计步功能的移动终端中。
参照图1,图1为本发明可识别运动类型的计步方法第一实施例的流程示意图,本实施例中,上述可识别运动类型的计步方法包括:
步骤S10,采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度。
具体的,上述步骤S10包括:
利用预置的三轴加速度传感器采集所述人物的加速度数据,对采集到的加速度数据进行平方和求根运算,计算出所述合成加速度。
其中,由于加速度是个空间矢量,在预先不知道物体运动的方向时,要准确了解物体的运动状态,则必须测得其三个坐标轴上的加速度分量。三轴加速度传感器是基于加速度的基本原理来实现的,具有体积小和重量轻的特点,可以测量空间加速度,能够全面准确反映物体的运动性质。
其中,上述三轴加速度传感器可采用压阻式、压电式和电容式传感器,产生的加速度正比于电阻、电压和电容的变化,通过相应的放大和滤波电路进行采集。
具体的,采集上述人物在X轴的加速度ax、Y轴的加速度ay、Z轴的加速度az。对采集到的加速度数据进行平方和求根运算,计算出上述合成加速度a,即
另外,本实施例中,还可以利用预置的陀螺仪采集所述人物的角速度数据,然后对采集到的角速度数据进行平方和求根运算,计算出合成角速度。
其中,采集上述人物在X轴的角速度wx、Y轴的角速度wy、Z轴的角速度wz。对采集到的角速度数据进行平方和求根运算,计算出上述合成角速度w,即
步骤20,对所述合成加速度进行低通滤波,并对低通滤波后的合成加速度进行平滑处理,以得到所述合成加速度对应的波形。
其中,在计算出上述合成加速度之后,对该合成加速度进行低通滤波,以剔除掉合成加速度中的毛刺及高频的干扰动作,使得滤波后的滤波后的合成加速度更加符合人物的运动特点。
其中,低通滤波(Low-pass filter)是一种过滤方式,规则为低频信号能正常通过,而超过设定临界值的高频信号则被阻隔、减弱。但是阻隔、减弱的幅度则会依据不同的频率以及不同的滤波程序(目的)而改变,有时候也被叫做高频去除过滤(high-cutfilter)或者最高去除过滤(treble-cut filter)。低通滤波可以简单的认为是预先设定一个频率点,当信号频率高于这个频率时不能通过,在数字信号中,这个频率点也就是截止频率,当频率高于该截止频率时,则全部赋值为0。
其中,低通滤波可以通过低通滤波器来实现,低通滤波器是容许低于截止频率的信号通过,但高于截止频率的信号不能通过的电子滤波装置。
可选的,上述对所述合成加速度进行低通滤波包括:
利用IIR数字滤波器对所述合成加速度进行低通滤波,所述IIR数字滤波器属于椭圆低通滤波器。
其中,椭圆滤波器(Elliptic filter)是在通带和阻带等波纹的一种滤波器。椭圆滤波器相比其他类型的滤波器,在阶数相同的条件下有着最小的通带和阻带波动,它在通带和阻带的波动相同。
其中,平滑处理是一种减少锯齿(阶梯状线条)的技术,上述平滑处理具有多种方式,可以对该滤波后的合成加速度进行算数平均值运算,也可以对该滤波后的合成加速度进行加权平滑运算。
另外,在计算出上述合成角速度之后,可以对该合成角速度进行滑动窗口滤波,同样进行平滑处理后,得到上述合成角速度对应的角速度波形。
步骤S30,调用预置的动态波峰检测算法,检测所述波形是否属于运动波形。
考虑到实际操作应用场景中,会存在一些错误判定,例如当用户晃动移动终端时,上述合成加速度也会出现周期性变化的波形,因此,为了提高计步的准确性,本实施例可调用预置的动态波峰检测算法,检测上述合成加速度对应的波形是否属于运动波形。
其中,上述运动波形是指人物在正常运动时产生的波形,例如,人物在行走、跑步时产生的波形。与所述运动波形相对应的即为干扰波形,例如,人物晃动或者刻意抖动移动终端时产生的波形即为干扰波形。
其中,上述动态波峰检测算法主要用于检测上述波形是否符合人类正常运动时所产生波形。具体的,可以理解的是,人类正常运动时,其产生波形的频率以及幅值基本上会处于一个固定的范围内,因此可以通过检测上述波形相邻波峰之间的间隔时间以及各个波峰的幅值来判断上述波形是否属于运动波形。
步骤S40,当所述波形属于运动波形时,则调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形,根据所述样本波形的类型确定所述人物的运动类型,以及根据所述波形的波峰数统计所述运动类型对应的步数。
本实施例中,当上述波形属于运动波形时,则调用预置的DTW算法,在预设的样本数据库中查找出与该波形相似度最高的样本波形,并将该样本波形对应的类型确定为上述人物的运动类型。
其中,DTW算法基于动态规划(DP)的思想,将已存入样本数据库中的各个样本波形作为参考模板,一个参考模板可表示为R={R(1),R(2),……,R(m),……,R(M)},m为上述样本波形的时序标号;上述波形可称为测试模板,可表示为T={T(1),T(2),……,T(n),……,T(N)},n为上述波形中的时序标号。
假设测试模板和参考模板分别用T和R表示,为了比较它们之间的相似度,可以计算它们之间的距离D[T,R],距离越小则相似度越高。其中,在DTW算法中,上述距离D[T,R]距离通常指欧氏距离。
其中,在样本数据库中查找出与上述波形相似度最高的样本波形之后,则将该样本波形对应的类型确定为上述人物的运动类型。例如,当上述波形与样本数据库中的跑步样本波形的相似度最高时,则确定为上述人物的运动类型为跑步。
进一步地,在确定运动类型之后,则根据上述波形的波峰数统计该运动类型对应的步数。
本实施例所述的可识别运动类型的计步方法,该方法首先采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。该方法既可以识别出用户的运动类型,又可以按照运动类型分别进行计步,同时通过调用上述动态波峰检测算法,可使计步数据更加精确,解决了现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
进一步地,基于上述本发明可识别运动类型的计步方法第一实施例,提出本发明可识别运动类型的计步方法第二实施例,参照图2,图2为本发明可识别运动类型的计步方法中步骤S30的细化步骤流程示意图,本实施例中,上述图1所示步骤S30中所述的调用预置的动态波峰检测算法,检测所述波形是否属于运动波形包括:
步骤S31,检测所述波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断所述波峰的幅值是否满足设定的第二约束条件;
步骤S32,当所述间隔时间满足所述第一约束条件,和/或所述幅值满足所述第二约束条件时,则确定所述波形属于运动波形。
本实施例中,先检测上述波形的波峰,当相邻波峰之间的间隔时间满足设定的第一约束条件时,则确定上述波形属于运动波形;或者,当上述波峰的幅值满足设定的第二约束条件时,则确定上述波形属于运动波形;或者,当相邻波峰之间的间隔时间满足设定的第一约束条件,并且上述波峰的幅值满足设定的第二约束条件时,则确定上述波形属于运动波形。
进一步地,上述步骤S31中所述的判断相邻波峰之间的间隔时间是否满足设定的第一约束条件的步骤包括:
若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于预设的时间区间内,或者,计算之前检测到的若干个相邻波峰之间的平均间隔时间,若所述第一间隔时间与所述平均间隔时间的误差小于预设的第一阈值时,则确定所述相邻波峰之间的间隔时间满足设定的第一约束条件。
其中,预先设置一个时间区间,例如普通人行走或跑步时,步伐之间的时间间隔一般为[0.5秒,1.4秒],因此,若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于[0.5秒,1.4秒]之内时,则可以确定上述相邻波峰之间的间隔时间满足设定的第一约束条件。考虑到人行走时倾向于保持比较稳定的速度前行,因此,可以设定一个第一阈值(如0.2秒),然后计算之前检测到的若干个(如前10个)相邻波峰之间的平均间隔时间,若上述第一间隔时间与该平均间隔时间的误差小于上述第一阈值时,则可以确定上述相邻波峰之间的间隔时间满足设定的第一约束条件。
进一步地,上述步骤S31中所述的判断所述波峰的幅值是否满足设定的第二约束条件的步骤包括:
若当前检测到的波峰的第一幅值处于预设的幅值区间内,或者,计算之前检测到的若干个波峰的平均幅值,若所述第一幅值与所述平均幅值的误差小于预设的第二阈值时,则确定所述波峰的幅值满足设定的第二约束条件。
其中,预先设置一个幅值区间,例如普通人行走或跑步时,每个步伐对应的加速度一般为[0.2g,2g](g为重力加速度),因此,若当前检测到的波峰的第一幅值处于[0.2g,2g]之内时,则可以确定上述波峰的幅值满足设定的第二约束条件。同样考虑到人行走时倾向于保持比较稳定的速度前行,因此,可以设定一个第二阈值(如0.2g),然后计算之前检测到的若干个(如前10个)波峰的平均幅值,若上述第一幅值与该平均幅值的误差小于上述第二阈值,则确定上述波峰的幅值满足设定的第二约束条件。
进一步地,为了更好的理解本发明,参照图3(a)与图3(b),图3(a)为本发明中人物正常行走时采集到的加速度数据示意图,图3(b)为本发明中刻意晃动移动终端时采集到的加速度数据示意图。在图3(a)与图3(b)中,x表示X轴方向,y表示Y轴方向,z表示Z轴方向。
其中,人物在正常行走时,如图3(a)所示,加速度在垂直Z轴方向和行进方向产生明显的周期性变化。当周期性刻意晃动移动终端时,加速度的变化如图3(b)所示,在各轴上也出现的周期变化的波形,与图3(a)的变化比较相似。在计步检测过程中,当移动终端晃动时,计步检测有时会存在错误判定。移动终端在手中的抖动方式主要包括行走时移动终端的颤抖、小幅度的水平面运动以及晃动。
本实施例中,还可以从陀螺仪的数据变化角度来观察人物行走时和刻意晃动移动终端两个状态,如图4所示,图4为本发明中采集到的角速度数据示意图。在图4中,分别截取了三段陀螺仪的数据,分别对应行走、静止、晃动三个状态。
人体正常行走过程中,一般都是处于人手自然下垂的周期单摆运动状态。此时,陀螺仪各轴中的数据变化较大,且具有一定周期性;在静止阶段时,加速度和陀螺仪均处于平直状态;在晃动移动终端时,陀螺仪也同样产生了周期变化,但是陀螺仪的变化明显大于行走阶段。进一步分析,晃动移动终端时,移动终端在手中运动是以肘部或者手腕为支点的类似单摆的弧形运动,而非直上直下单运动。所以会产生旋转角速度数据,变化范围就很大。我们再将陀螺仪的三轴的数据进行平方和求根运算,计算出合成角速度w。在计算出上述合成角速度之后,可以对该合成角速度进行滑动窗口滤波,同样进行平滑处理后,得到上述合成角速度对应的角速度波形。
为了更好的理解本发明,参照图5,图5为本发明中对合成角速度进行滑动窗口滤波的仿真示意图。图5中,虚线表示上述合成角速度w,实线表示合成角速度w经过滑动窗口滤波后得到的角速度波形,可以看出,可通过设定适当的经验阀值(图5虚线所示)来判断人物所处的状态,图5中落在虚线区间内的波形表示正常行走状态。因此,本实施例还可以利用滑动窗口滤波后的角速度数据来分辨干扰动作。
本实施例所述的可识别运动类型的计步方法,通过调用预置的动态波峰检测算法,检测人物运动时合成加速度对应波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断该波峰的幅值是否满足设定的第二约束条件;当上述间隔时间满足第一约束条件,和/或上述幅值满足第二约束条件时,则确定该波形属于运动波形,从而可以排除人物晃动或者刻意抖动移动终端时产生的波形,提高了计步的准确性。
进一步地,基于上述本发明可识别运动类型的计步方法第一、第二实施例,提出本发明可识别运动类型的计步方法第三实施例,参照图6,图6为本发明可识别运动类型的计步方法中步骤S40的细化步骤流程示意图,本实施例中,上述图1所示步骤S40中所述的调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形包括:
步骤S41,在所述波形中选取多个第一匹配点,以及在所述样本波形中选取多个与所述第一匹配点相对应的第二匹配点;
步骤S42,分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出所述波形与所述样本波形的平均距离;
步骤S43,选择与所述波形的平均距离最小的样本波形作为与所述波形相似度最高的样本波形。
进一步地,上述图1所示步骤S40中所述的在预设的样本数据库中查找出与所述波形相似度最高的样本波形之前还包括:
预先采集多种类型的样本波形,并将采集到的样本波形保存在所述样本数据库中,其中,所述样本波形的类型包括行走、跑步、爬楼梯、骑自行车中的至少两种。
可以理解的是,不同类型的样本波形对应的变化规律会呈现不同。正常步行时,波形变化较为平缓;爬楼梯时,波形变化不大,但波形变得陡峭;跑步状态时,波形周期变短,波形变得非常陡峭。因此,可以利用加速度波形呈现的差异性来区分当前的运动类型。
具体的,将上述合成加速度对应的波形与样本数据库中的各个样本波形进行相似度匹配,选择相似度最高的样本波形,其对应的类型即为上述人物当前的运动类型。
其中,调用预置的DTW算法,在上述波形中选取多个第一匹配点,以及在上述样本波形中选取多个与第一匹配点相对应的第二匹配点,然后分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出上述波形与样本波形的平均距离,该平均距离越小,说明上述波形与样本波形的相似度越高。
为了更好的理解本发明,参照图7,图7为本发明中波形与样本波形之间的距离示意图。
图7中,上述第一匹配点到其对应的第二匹配点的距离dk可表示为:
其中,Q表示上述波形,C表示上述样本波形,Q(k)表示上述波形中的任意一个第一匹配点,C(k)表示上述样本波形中与第一匹配点Q(k)相对应的第二匹配点。
上述波形与样本波形的平均距离D可表示为:
本实施例所述的可识别运动类型的计步方法,该方法通过调用DTW算法,计算出上述波形与样本波形的平均距离,根据计算出的平均距离,即可确定与上述波形的相似度最高的样本波形,从而确定上述波形对应的运行类型,解决了现有技术中无法识别运动类型的技术问题。
进一步地,本发明还提供一种移动终端,该移动终端包括:三轴加速度传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可识别运动类型的计步程序,所述可识别运动类型的计步程序被所述处理器执行时实现如下步骤:
采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度;
对所述合成加速度进行低通滤波,并对低通滤波后的合成加速度进行平滑处理,以得到所述合成加速度对应的波形;
调用预置的动态波峰检测算法,检测所述波形是否属于运动波形;
当所述波形属于运动波形时,则调用预置的动态时间归整DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形,根据所述样本波形的类型确定所述人物的运动类型,以及根据所述波形的波峰数统计所述运动类型对应的步数。
进一步地,上述采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度的步骤包括:
利用预置的三轴加速度传感器采集所述人物的加速度数据,对采集到的加速度数据进行平方和求根运算,计算出所述合成加速度。
进一步地,上述对所述合成加速度进行低通滤波的步骤包括:
利用IIR数字滤波器对所述合成加速度进行低通滤波,所述IIR数字滤波器属于椭圆低通滤波器。
进一步地,上述调用预置的动态波峰检测算法,检测所述波形是否属于运动波形的步骤包括:
检测所述波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断所述波峰的幅值是否满足设定的第二约束条件;
当所述间隔时间满足所述第一约束条件,和/或所述幅值满足所述第二约束条件时,则确定所述波形属于运动波形。
进一步地,上述判断相邻波峰之间的间隔时间是否满足设定的第一约束条件的步骤包括:
若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于预设的时间区间内,或者,计算之前检测到的若干个相邻波峰之间的平均间隔时间,若所述第一间隔时间与所述平均间隔时间的误差小于预设的第一阈值时,则确定所述相邻波峰之间的间隔时间满足设定的第一约束条件。
进一步地,上述判断所述波峰的幅值是否满足设定的第二约束条件的步骤包括:
若当前检测到的波峰的第一幅值处于预设的幅值区间内,或者,计算之前检测到的若干个波峰的平均幅值,若所述第一幅值与所述平均幅值的误差小于预设的第二阈值时,则确定所述波峰的幅值满足设定的第二约束条件。
进一步地,上述调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤包括:
在所述波形中选取多个第一匹配点,以及在所述样本波形中选取多个与所述第一匹配点相对应的第二匹配点;
分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出所述波形与所述样本波形的平均距离;
选择与所述波形的平均距离最小的样本波形作为与所述波形相似度最高的样本波形。
进一步地,上述在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤之前,上述可识别运动类型的计步程序被所述处理器执行时,还可以实现如下步骤:
预先采集多种类型的样本波形,并将采集到的样本波形保存在所述样本数据库中,其中,所述样本波形的类型包括行走、跑步、爬楼梯、骑自行车中的至少两种。
为了更好的理解本发明,参照图8,图8为本发明移动终端涉及的软件运行环境的结构示意图,本实施例中,上述移动终端可包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口;网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器;存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图8中示出的结构并不构成对上述移动终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及可识别运动类型的计步程序。
如图8所示,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的可识别运动类型的计步程序,并执行相应的操作。
上述移动终端可实现:采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。即上述移动终端既可以识别出用户的运动类型,又可以按照运动类型分别进行计步,同时通过调用上述动态波峰检测算法,可使计步数据更加精确,解决了现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
其中,上述移动终端对应的实施例与前述可识别运动类型的计步方法对应的各个实施例基本相同,故在此不再赘述。
进一步地,本发明还提供一种存储介质,该存储介质上存储有可识别运动类型的计步程序,所述可识别运动类型的计步程序被处理器执行时实现如下步骤:
采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度;
对所述合成加速度进行低通滤波,并对低通滤波后的合成加速度进行平滑处理,以得到所述合成加速度对应的波形;
调用预置的动态波峰检测算法,检测所述波形是否属于运动波形;
当所述波形属于运动波形时,则调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形,根据所述样本波形的类型确定所述人物的运动类型,以及根据所述波形的波峰数统计所述运动类型对应的步数。
进一步地,上述采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度的步骤包括:
利用预置的三轴加速度传感器采集所述人物的加速度数据,对采集到的加速度数据进行平方和求根运算,计算出所述合成加速度。
进一步地,上述对所述合成加速度进行低通滤波的步骤包括:
利用IIR数字滤波器对所述合成加速度进行低通滤波,所述IIR数字滤波器属于椭圆低通滤波器。
进一步地,上述调用预置的动态波峰检测算法,检测所述波形是否属于运动波形的步骤包括:
检测所述波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断所述波峰的幅值是否满足设定的第二约束条件;
当所述间隔时间满足所述第一约束条件,和/或所述幅值满足所述第二约束条件时,则确定所述波形属于运动波形。
进一步地,上述判断相邻波峰之间的间隔时间是否满足设定的第一约束条件的步骤包括:
若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于预设的时间区间内,或者,计算之前检测到的若干个相邻波峰之间的平均间隔时间,若所述第一间隔时间与所述平均间隔时间的误差小于预设的第一阈值时,则确定所述相邻波峰之间的间隔时间满足设定的第一约束条件。
进一步地,上述判断所述波峰的幅值是否满足设定的第二约束条件的步骤包括:
若当前检测到的波峰的第一幅值处于预设的幅值区间内,或者,计算之前检测到的若干个波峰的平均幅值,若所述第一幅值与所述平均幅值的误差小于预设的第二阈值时,则确定所述波峰的幅值满足设定的第二约束条件。
进一步地,上述调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤包括:
在所述波形中选取多个第一匹配点,以及在所述样本波形中选取多个与所述第一匹配点相对应的第二匹配点;
分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出所述波形与所述样本波形的平均距离;
选择与所述波形的平均距离最小的样本波形作为与所述波形相似度最高的样本波形。
进一步地,上述在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤之前,上述可识别运动类型的计步程序被所述处理器执行时,还可以实现如下步骤:
预先采集多种类型的样本波形,并将采集到的样本波形保存在所述样本数据库中,其中,所述样本波形的类型包括行走、跑步、爬楼梯、骑自行车中的至少两种。
上述存储介质可实现:采集人物的加速度数据,并计算出合成加速度,然后对合成加速度进行低通滤波与平滑处理,得到合成加速度对应的波形,然后再调用预置的动态波峰检测算法,检测该波形是否属于运动波形,若是,则调用DTW算法,在样本数据库中查找出与该波形相似度最高的样本波形,该样本波形对应的类型即为上述人物的运动类型,最后根据上述波形的波峰数统计该运动类型对应的步数。即上述存储介质既可以识别出用户的运动类型,又可以按照运动类型分别进行计步,同时通过调用上述动态波峰检测算法,可使计步数据更加精确,解决了现有技术中只能记录总的运动步数,不能按照运动类型分别进行计步的技术问题。
其中,上述存储介质对应的实施例与前述可识别运动类型的计步方法对应的各个实施例基本相同,故在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种可识别运动类型的计步方法,其特征在于,所述可识别运动类型的计步方法包括:
采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度;
对所述合成加速度进行低通滤波,并对低通滤波后的合成加速度进行平滑处理,以得到所述合成加速度对应的波形;
调用预置的动态波峰检测算法,检测所述波形是否属于运动波形;
当所述波形属于运动波形时,则调用预置的动态时间归整DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形,根据所述样本波形的类型确定所述人物的运动类型,以及根据所述波形的波峰数统计所述运动类型对应的步数。
2.如权利要求1所述的可识别运动类型的计步方法,其特征在于,所述采集人物的加速度数据,并根据采集到的加速度数据计算出所述人物的合成加速度的步骤包括:
利用预置的三轴加速度传感器采集所述人物的加速度数据,对采集到的加速度数据进行平方和求根运算,计算出所述合成加速度。
3.如权利要求1所述的可识别运动类型的计步方法,其特征在于,对所述合成加速度进行低通滤波的步骤包括:
利用无限脉冲响应IIR数字滤波器对所述合成加速度进行低通滤波,所述IIR数字滤波器属于椭圆低通滤波器。
4.如权利要求1所述的可识别运动类型的计步方法,其特征在于,所述调用预置的动态波峰检测算法,检测所述波形是否属于运动波形的步骤包括:
检测所述波形的波峰,判断相邻波峰之间的间隔时间是否满足设定的第一约束条件,和/或判断所述波峰的幅值是否满足设定的第二约束条件;
当所述间隔时间满足所述第一约束条件,和/或所述幅值满足所述第二约束条件时,则确定所述波形属于运动波形。
5.如权利要求4所述的可识别运动类型的计步方法,其特征在于,所述判断相邻波峰之间的间隔时间是否满足设定的第一约束条件的步骤包括:
若当前检测到的波峰与前一次检测到的波峰之间的第一间隔时间处于预设的时间区间内,或者,计算之前检测到的若干个相邻波峰之间的平均间隔时间,若所述第一间隔时间与所述平均间隔时间的误差小于预设的第一阈值时,则确定所述相邻波峰之间的间隔时间满足设定的第一约束条件。
6.如权利要求4所述的可识别运动类型的计步方法,其特征在于,所述判断所述波峰的幅值是否满足设定的第二约束条件的步骤包括:
若当前检测到的波峰的第一幅值处于预设的幅值区间内,或者,计算之前检测到的若干个波峰的平均幅值,若所述第一幅值与所述平均幅值的误差小于预设的第二阈值时,则确定所述波峰的幅值满足设定的第二约束条件。
7.如权利要求1至6任意一项所述的可识别运动类型的计步方法,其特征在于,所述调用预置的DTW算法,在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤包括:
在所述波形中选取多个第一匹配点,以及在所述样本波形中选取多个与所述第一匹配点相对应的第二匹配点;
分别计算各个第一匹配点到其对应的第二匹配点的距离,并根据计算结果计算出所述波形与所述样本波形的平均距离;
选择与所述波形的平均距离最小的样本波形作为与所述波形相似度最高的样本波形。
8.如权利要求7所述的可识别运动类型的计步方法,其特征在于,所述在预设的样本数据库中查找出与所述波形相似度最高的样本波形的步骤之前还包括:
预先采集多种类型的样本波形,并将采集到的样本波形保存在所述样本数据库中,其中,所述样本波形的类型包括行走、跑步、爬楼梯、骑自行车中的至少两种。
9.一种移动终端,其特征在于,所述移动终端包括:三轴加速度传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可识别运动类型的计步程序,所述可识别运动类型的计步程序被所述处理器执行时实现如权利要求1至8中任一项所述的可识别运动类型的计步方法对应的各个步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有可识别运动类型的计步程序,所述可识别运动类型的计步程序被处理器执行时实现如权利要求1至8中任一项所述的可识别运动类型的计步方法对应的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418047.3A CN107016384A (zh) | 2017-06-05 | 2017-06-05 | 可识别运动类型的计步方法、移动终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418047.3A CN107016384A (zh) | 2017-06-05 | 2017-06-05 | 可识别运动类型的计步方法、移动终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107016384A true CN107016384A (zh) | 2017-08-04 |
Family
ID=59452221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418047.3A Withdrawn CN107016384A (zh) | 2017-06-05 | 2017-06-05 | 可识别运动类型的计步方法、移动终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016384A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515010A (zh) * | 2017-08-28 | 2017-12-26 | 五邑大学 | 一种计步器的数据处理方法以及计步器装置 |
CN107734147A (zh) * | 2017-09-22 | 2018-02-23 | 努比亚技术有限公司 | 记步方法、移动终端及计算机可读存储介质 |
CN107747950A (zh) * | 2017-09-28 | 2018-03-02 | 上海惠芽信息技术有限公司 | 记步方法与装置 |
CN107860397A (zh) * | 2017-10-25 | 2018-03-30 | 北京小米移动软件有限公司 | 统计运动信息的方法及装置 |
CN108279021A (zh) * | 2018-01-26 | 2018-07-13 | 广东欧珀移动通信有限公司 | 计步方法、电子装置及计算机可读存储介质 |
CN108680181A (zh) * | 2018-04-23 | 2018-10-19 | Oppo广东移动通信有限公司 | 无线耳机、基于耳机检测的计步方法及相关产品 |
CN109212260A (zh) * | 2018-09-07 | 2019-01-15 | 青岛迈金智能科技有限公司 | 一种运动频率计算方法和装置 |
CN109751998A (zh) * | 2019-01-14 | 2019-05-14 | 重庆邮电大学 | 一种基于动态时间规整的运动模式识别方法 |
CN110017834A (zh) * | 2019-04-15 | 2019-07-16 | 歌尔科技有限公司 | 使用对象确定方法、设备及存储介质 |
CN110537499A (zh) * | 2019-10-14 | 2019-12-06 | 西安塞班科技有限公司 | 反刍动物运动行为识别方法、系统及计算机可读存储介质 |
CN111765898A (zh) * | 2020-06-29 | 2020-10-13 | 歌尔科技有限公司 | 计步方法,计步装置及计算机可读存储介质 |
CN111854738A (zh) * | 2020-06-22 | 2020-10-30 | 厦门亿联网络技术股份有限公司 | 一种基于三轴加速度计的人体运动状态检测方法及装置 |
CN113551687A (zh) * | 2021-09-23 | 2021-10-26 | 珠海市杰理科技股份有限公司 | 计步方法、装置、计步设备、计算机存储介质和芯片 |
-
2017
- 2017-06-05 CN CN201710418047.3A patent/CN107016384A/zh not_active Withdrawn
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515010A (zh) * | 2017-08-28 | 2017-12-26 | 五邑大学 | 一种计步器的数据处理方法以及计步器装置 |
CN107734147A (zh) * | 2017-09-22 | 2018-02-23 | 努比亚技术有限公司 | 记步方法、移动终端及计算机可读存储介质 |
CN107747950A (zh) * | 2017-09-28 | 2018-03-02 | 上海惠芽信息技术有限公司 | 记步方法与装置 |
CN107860397A (zh) * | 2017-10-25 | 2018-03-30 | 北京小米移动软件有限公司 | 统计运动信息的方法及装置 |
CN108279021A (zh) * | 2018-01-26 | 2018-07-13 | 广东欧珀移动通信有限公司 | 计步方法、电子装置及计算机可读存储介质 |
CN108680181A (zh) * | 2018-04-23 | 2018-10-19 | Oppo广东移动通信有限公司 | 无线耳机、基于耳机检测的计步方法及相关产品 |
CN109212260B (zh) * | 2018-09-07 | 2021-06-25 | 青岛迈金智能科技有限公司 | 一种运动频率计算方法和装置 |
CN109212260A (zh) * | 2018-09-07 | 2019-01-15 | 青岛迈金智能科技有限公司 | 一种运动频率计算方法和装置 |
CN109751998A (zh) * | 2019-01-14 | 2019-05-14 | 重庆邮电大学 | 一种基于动态时间规整的运动模式识别方法 |
CN110017834A (zh) * | 2019-04-15 | 2019-07-16 | 歌尔科技有限公司 | 使用对象确定方法、设备及存储介质 |
CN110017834B (zh) * | 2019-04-15 | 2021-12-24 | 歌尔科技有限公司 | 使用对象确定方法、设备及存储介质 |
CN110537499A (zh) * | 2019-10-14 | 2019-12-06 | 西安塞班科技有限公司 | 反刍动物运动行为识别方法、系统及计算机可读存储介质 |
CN111854738A (zh) * | 2020-06-22 | 2020-10-30 | 厦门亿联网络技术股份有限公司 | 一种基于三轴加速度计的人体运动状态检测方法及装置 |
CN111765898A (zh) * | 2020-06-29 | 2020-10-13 | 歌尔科技有限公司 | 计步方法,计步装置及计算机可读存储介质 |
CN111765898B (zh) * | 2020-06-29 | 2022-05-13 | 歌尔科技有限公司 | 计步方法,计步装置及计算机可读存储介质 |
CN113551687A (zh) * | 2021-09-23 | 2021-10-26 | 珠海市杰理科技股份有限公司 | 计步方法、装置、计步设备、计算机存储介质和芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016384A (zh) | 可识别运动类型的计步方法、移动终端及存储介质 | |
CN105004349B (zh) | 一种计步方法 | |
CN105043410B (zh) | 一种计步器 | |
JP6567658B2 (ja) | ユーザーの活動を分類し及び/又はユーザーの歩数をカウントするデバイス及び方法 | |
CN110263870B (zh) | 运动状态识别方法、装置、智能终端和存储介质 | |
CN106441350A (zh) | 一种计步方法及终端 | |
EP2802255A1 (en) | Activity classification in a multi-axis activity monitor device | |
CN108021242A (zh) | 陀螺仪数据处理方法、移动终端及计算机可读存储介质 | |
CN111291865B (zh) | 一种基于卷积神经网络和孤立森林的步态识别方法 | |
CN106227355A (zh) | 一种可实现抬手亮屏的智能手环 | |
US20150241243A1 (en) | Method for counting steps and electronic apparatus using the same | |
CN106248101A (zh) | 一种监测方法以及装置 | |
US20160116498A1 (en) | Method and device for motion count detection | |
CN107533371A (zh) | 使用影响手势的用户接口控制 | |
CN110276380A (zh) | 一种基于深度模型框架的实时运动在线指导系统 | |
CN110201375A (zh) | 一种无线耳机计步的方法、装置、设备及可读存储介质 | |
CN107314777A (zh) | 一种动态设定计步阈值的方法和移动终端 | |
CN107239147A (zh) | 一种基于可穿戴设备的人体情境感知方法、装置及系统 | |
CN106292871A (zh) | 一种可实现转腕亮屏的智能手环 | |
CN108072386A (zh) | 一种计步方法及装置 | |
EP3767596A1 (en) | Method for calculating cadence of bicycle, wearable device, and storage medium | |
CN110021144B (zh) | 一种摔倒检测方法、终端设备及存储介质 | |
Pappa et al. | Multichannel symbolic aggregate approximation intelligent icons: Application for activity recognition | |
CN106197466A (zh) | 一种数据处理方法、装置及终端 | |
CN108981744B (zh) | 一种基于机器学习与低通滤波的步频实时计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170804 |
|
WW01 | Invention patent application withdrawn after publication |